IDE 与插件：VS Code + Cline (或 Roo Code)

测试速度：http://www.hack001.com/post/579

一、 核心安装步骤（最干净的全局安装）

1. 一键安装 利用 Windows 官方自带的包管理器 winget，可以自动下载并干净地配置好系统全局环境变量。打开一个普通的 PowerShell，直接运行： winget install Git.Git

2. 验证安装 等待终端提示“已成功安装”后，彻底关闭当前 PowerShell 并重新打开一个新的，输入： git --version (正确输出 git version 2.x.x.windows.x 即表示 Git 已成功融入系统默认环境)

二、 核心全局配置（只需执行一次，防止 AI 报错卡死）

Git 安装完成后，必须配置开发者身份。如果不配置，AI 工具在后台自动帮你提交代码（Commit）时会因为没有身份信息而直接报错中断。

在新的 PowerShell 中依次运行以下两行命令（请将双引号内的名字和邮箱替换为你自己的，或随便编一个）： 

git config --global user.name "YourName"

git config --global user.email "your_email@example.com"

三、 AI 编程实战：如何配合 Cline 建立安全网

当你在本地创建一个全新的开发项目时，标准且丝滑的 AI 编程工作流如下：

1. 初始化仓库 在让 AI 帮你写第一行代码前，在项目的根目录终端里运行： git init (这会在项目里开启 Git 监控)

2. 让 Cline 放心大胆干活 现在你可以对 Cline 下达任何复杂的重构或素材下载指令。VS Code 左侧的“源代码管理（Source Control）”面板会实时高亮显示 AI 刚刚帮你动了哪些文件。

3. 一键吃“后悔药” 万一 AI 在连续执行多步终端命令后把项目逻辑搞砸了，你不需要手动去改代码。直接在 VS Code 的 Git 面板中点击“放弃所有更改（Discard All Changes）”，或者在终端运行 git checkout .，电脑里的文件和素材立刻全自动恢复到 AI 动工前的完好状态。

1. 下载正确版本

• 访问官网下载：Windows installer (64-bit)

• 推荐版本：Python 3.11.x（目前 AI 插件生态、深度学习库兼容性最完美的版本）

2. 图形界面安装必看（避坑关键点）

• 双击打开下载好的 .exe 安装包。

• 核心第一步：务必勾选最下方的 "Add python.exe to PATH"（如果不勾选，AI 工具在后台会报错找不到命令）。

• 点击下方进入 "Customize installation" (自定义安装)。

3. 可选特性（Optional Features）

• 保持默认，确保 pip（包管理器）被勾选，点击 Next。

4. 高级选项配置（Advanced Options 避坑）

• 务必勾选："Install Python 3.11 for all users"。

• 作用：勾选后，安装路径会自动变为干净的 C:\Program Files\Python311。能彻底避免因 Windows 用户名包含“空格”或“中文”导致 AI 插件运行报错的玄学问题。

• 点击 Install 开始安装。

5. 禁用路径长度限制（如有提示）

• 安装完成（Setup was successful）的界面如果出现 "Disable path length limit" 按钮，果断点击它。防止以后 AI 自动安装深层依赖包时因 Windows 路径超长而死锁。
  
  

1. 安装 fnm 打开 PowerShell 运行： winget install Schniz.fnm

2. 解锁脚本权限（解决无法加载文件报错） 以管理员身份打开 PowerShell 运行： Set-ExecutionPolicy RemoteSigned -Scope CurrentUser (弹出提示输入 Y 回车)

3. 配置文件挂载（解决 node 命令找不到的问题） 在 PowerShell 中运行以下命令强行创建并打开配置文件： if (!(Test-Path $PROFILE)) { New-Item -Type File -Path $PROFILE -Force }; notepad $PROFILE

在打开的记事本末尾，另起一行粘贴以下代码，保存并关闭： fnm env --use-on-cd | Out-String | Invoke-Expression

• 国内加速提示：如果下载 Node 慢，可在记事本里再加一行： $env:FNM_NODE_DIST_MIRROR="https://mirrors.tuna.tsinghua.edu.cn/nodejs-release/"

二、 fnm 常用命令（重启终端生效）

• 查看 fnm 版本（注意：必须是大写 V）： fnm -V

• 安装 Node 20 稳定版： fnm install 20

• 设置全局默认版本为 Node 20： fnm default 20

• 查看本地已安装的版本： fnm list

• 查看云端可下载的版本： fnm list-remote

• 临时在当前窗口切换版本： fnm use 20

• 卸载指定版本： fnm uninstall 18.x.x

三、 终极验证

全部配置完成后，重新打开 PowerShell 输入： node -v (正确输出 v20.x.x 即表示大功告成)

四、 额外优化（解决 Windows 路径过长报错） 以管理员身份打开 PowerShell 运行： New-ItemProperty -Path "HKLM:\System\CurrentControlSet\Control\FileSystem" -Name "LongPathsEnabled" -Value 1 -PropertyType DWORD -Force

2026年6月10日，谷歌DeepMind发布《从通用人工智能到超级人工智能》（From AGI to ASI）报告。与多数讨论聚焦于AGI何时到来不同，这份报告预设AGI已经实现。从算力增速切入，报告指出有效算力年增约十倍的趋势意味着，即使在单个模型能力不再提升的条件下，一亿个通用智能协同工作本身即可构成超级智能。在此基础上，报告深入讨论数字智能的六大先天优势、从AGI到ASI的四条技术演进路径、六大壁垒等关键问题，以深度推演人工智能的发展路线。

一、算力增速与智能进化：量变终成质变

过去十年，人工智能的进步速度远超多数人的预期。有效算力的增长来自三个因素的叠加：硬件性价比持续六十年提升，年增约1.5倍；投资规模扩张，年增约2.5倍；算法效率改进，即达到同等性能所需算力持续下降，年增约3倍。近期研究认为算法效率增速或高达每年6倍。三者相乘，有效算力年增约十倍，且仅属保守估计的下限。

如果增速维持，五年后有效算力将是今天的十万倍。假设AGI刚诞生时成本极高，全球只能运行1000个AGI：按年增十倍计算，一年后即1万个，五年后达1亿个AGI；或者换一种方式，让100万个AGI的思考速度加快100倍。一亿个共享经验、高速思考、瞬间同步的AGI集群，本身即构成ASI，即使单个模型的能力永远停在人类水平。

这一推演的底层逻辑是：要让进步恰好停在人类水平，需有多重条件同时不成立。要么在到达AGI之前就被卡住，要么会走得相对顺利，停在中间是概率最低的情形。但即使进展继续，ASI的出现也更可能是一个渐进累积的过程，而非瞬间的过程。图灵在1950年写道："我们只能看清前方很短的距离，但可以看到那里有大量工作有待完成。"

二、数字智能vs生物智能

数字智能相较生物智能有六大先天优势。随着有效算力增长，这些优势持续扩大，且人工智能的获益幅度远超人类。

其一，输入输出速度。大语言模型可数秒内读完数本书籍，远超人类的阅读带宽。其二，内部处理速度。电子信号近光速传播，串行深度与并行广度均可无限扩展；人类神经元仅约100米每秒，受限于生物组织的传导速度且无法任意扩容。其三，工作记忆容量。可扩展至整个互联网级别，同时考量数百万变量交互，而人类仅容纳4至7个组块。其四，基底独立性。可在硬件间无缝迁移、分布式部署，不会衰老死亡。其五，无损复制。不仅复制源代码，还可完整复制记忆状态，培养一个博士需二十年，复制一个人工智能只需瞬间。其六，高带宽经验共享。同构实例间可直接共享原始学习信号，毫秒级同步认知进化，而非像人类依赖语言低带宽瓶颈。

六项优势叠加，意味着人工智能的文化进化速度可达人类社会的指数倍。劳伦斯（Neil Lawrence）的具身因子论点对此提出了一个反论：人类低带宽通信反而迫使形成深层抽象模型和抽象层级，高带宽数字智能可能因无需压缩而错失这一能力。不过，用人类数据训练大模型在某种程度上弥补了这点。

三、从AGI到ASI的四条路径

从AGI到ASI，有四条可能的技术演进路径。这四条路径并不互斥，可能同时推进、相互叠加。

路径一：持续规模化。继续扩大算力、模型和数据。纯量变引发质变——更多的实例、更快的思考和更长的推理链本身，就能解锁看似需要架构突破的能力。这条路径的最大不确定性在于，算力增长如何转化为能力提升，是否存在边际收益递减。

路径二：算法范式转变。当前预训练大模型加微调加推理时扩展的技术范式可能触达能力上限。突破方向包括持续学习、无限工作记忆的线性时间架构、脉冲神经网络、神经形态硬件、强化学习预训练加显式世界模型、扩散语言模型和神经符号混合系统等。

路径三：递归自我改进。人工智能参与人工智能研发，形成正反馈。包括基因型改进、文化型改进、社会型改进和硬件型改进。理论上可能产生超指数增长，但真实系统中摩擦因素通常会在到达奇点前压低增长率，形成S型曲线。

路径四：多智能体协作涌现。ASI可能不是单个超级大脑，而是数以百万计AGI组成的高度协调的数字生态系统。包括设计型、市场型和自组织型三种组织形式。共同前提是通信带宽的质变：AGI实例之间可直接同步原始经验。

四、通向ASI的六大壁垒

其一，数据墙。高质量人类生成文本数据预计本年代末耗尽。合成数据若反复循环训练可能导致模型坍塌。

其二，经济与资源约束。算力的指数增长需要芯片制造、能源供应、数据中心和资本的同步扩张。

其三，现有技术范式的上限。当前技术栈存在深层缺陷：幻觉、无法处理认知不确定性、易受提示注入攻击、因果推理不足、缺乏开放式自主规划能力。

其四，研究难度递增。成熟领域的创意越来越难找，每步突破需要指数级增加的投入。加速与减速之间有一场指数赛跑，胜负未分。

其五，抽象壁垒。当前人工智能本质上是概念重组机，可能缺乏从原始感知数据中自主构建全新抽象概念的能力。如果人工智能不能从原始数据中独立发明全新概念框架，其能力将被锁定在人类认知积累的上限之内。

其六，人为刹车。社会因素也可能主动降速：就业替代引发的社会反弹、重大安全事故引发的公众恐慌、各国监管上限和算力限制。但在没有有效全球协调机制的情况下，单边减速面临囚徒困境。

五、结语

从AGI到ASI的演进不存在单一既定的线性路径，技术条件、资源供给、认知边界与社会环境等多重因素交织作用，共同决定着智能能力提升的节奏与发展上限，整个过程始终伴随显著的不确定性。

厘清技术演进的核心规律、降低预判偏差，既需要在技术层面持续深化对智能本质与发展路径的研究，也需要构建审慎完善的技术治理框架，通过常态化的跟踪评估动态适配技术发展节奏。这是后AGI阶段全球人工智能领域的核心研究议程，也是全行业与全社会需要共同面对的长期命题。

参考来源：Google DeepMind《From AGI to ASI》

2、ssh-keygen -t rsa -f C:\Users\WINDOWS_USER\.ssh\KEY_FILENAME -C USERNAME

WINDOWS_USER：Administrator（你的本机用户名）

KEY_FILENAME：KEY的文件名，或者自己定义的名称，可以是gcp

USERNAME：用户名，可以自己取，到时候连接的时候需要用到，可以是root

组合起来就是

ssh-keygen -t rsa -f C:\Users\Administrator\.ssh\gcp -C root

把这个命令放到cmd中直接运行，两次回车就是不使用密码，如果运行失败，请查看是否有这个路径：C:\Users\Administrator\.ssh

运行后查看这个路径有两个文件，一个公钥一个私钥，gcp.pub为公钥，gcp为私钥

3、gcp.pub打开复制里面的秘钥，进GCP的虚拟主机后台，点击左侧的元数据

4、元数据--ssh密钥--添加ssh密钥--把刚刚的公钥粘贴进去--保存

5、然后用本机的ssh工具，使用私钥进行连接ssh，用户名选择最开始的的USERNAME，也就是root

就可以使用ssh连接了

2、创建防火墙规则--名称随便--选择入站或出站--目标“网络中的所有实例”--来源IPV4范围0.0.0.0/0--全部允许--创建

2、分组依据：SKU，然后SKU过滤条件，输入“Free Tier”，勾选--应用

3、如果筛选出的数据为虚拟主机实例，并且费用为负数，则为真的免费